基于离群点检测的分类结果置信度的度量方法

为度量在网络日志中网页分类模型的预测结果,将度量为可信的结果加入网址分类集合,提高网络日志中访问链接的分类效率,提出一种基于离群点检测的分类结果置信度的度量方法.采用基于Bagging构建多个弱分类器对待分类数据进行预测,并对每个预测结果构建各类别的概率向量,根据离群点检测来度量模型的预测结果是否为可信.在UCI公共数据集上,使用主流的基于k均值和基于局部密度的度量方法进行了对比实验.实验结果表明,应用基于离群点检测的分类结果置信度,基于k均值的度量方法和基于局部密度的度量方法均显著提高了准确率.另外,在工程项目爬取的网页分类中也取得了同样的效果.     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法,能够对复杂环境中大小不等的人脸进行快速、准确的检测.算法首先通过假面变换来预测人脸位置上边沿的中心,然后对图像中的预测位置进行模板匹配,设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法,最后对匹配结果进行验证,确定人脸准确位置.采用多种环境下的大量图片进行实验,结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性.     

复杂环境下的快速人脸检测算法

使用一种新的假面变换和模板匹配的人脸检测算法，能够对复杂环境中大小不等的人脸进行快速、准确的检测．算法首先通过假面变换来预测人脸位置上边沿的中心，然后对图像中的预测位置进行模板匹配，设计了一类对照明变化、噪声干扰具有较强适应性的模板匹配方法，最后对匹配结果进行验证，确定人脸准确位置．采用多种环境下的大量图片进行实验，结果显示该算法具有较快的检测速度和较高的准确性及鲁棒性．     

基于CXANet-YOLO的火焰检测方法

快速准确的火焰检测对于降低火灾危害具有重要意义，为了加强模型的火焰特征提取能力以及解决特征图尺寸不平衡的问题，利用XSepConv (Extremely Separated Convolution)、大卷积核、Mish激活函数等构建CXANet-block(ConvolutionExtremelyAttentionNetwork)作为YOLOv5的骨干网络，引入CBAM (ConvolutionBlockAttention Module)注意力机制，提出一种基于CXANet-YOLO的火焰检测方法，通过增加通道注意力和空间注意力来提高检测性能.在自建火焰数据集上进行训练，提升模型的鲁棒性和泛化能力.实验结果表明，CXANet-YOLO模型比基准模型YOLOv5在火焰检测上具有更高的检测精度和检测速度，准确率提高了8.2%，检测速度每秒提升25帧.     

火焰轮廓提取与检测

在分析火焰图像特性的基础上,论述了一种基于面积阈值和集合运算轮廓提取的方法,并结合火焰的图像特性进行火焰检测。该方法首先运用迭代阈值方法选取阈值,把灰度图像转化为二值图像,然后依据集合论的知识对连通区域进行运算,再依据面积阈值去除噪声,提取物体的轮廓,最后结合火焰的色彩分布特征进行火焰检测。实验表明:该方法具有较好的准确性、可靠性和鲁棒性。     

融合多尺度多特征的人脸识别方法

为降低光照、噪音、姿态等变化的影响,减少有效局部信息的损失,提出了使用图像的变换特征,及多尺度分块线性鉴别分析的算法.将图像进行多尺度划分,对划分后的每个子图像分别抽取其低频部分或奇异值,组合起来作为该图像的特征向量,进行线性鉴别分析.针对单一特征表示图像时的局限性,又提出了融合多尺度低频特征和多尺度奇异值特征进行人脸识别的方法.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别精度明显提高,泛化能力较强.     

基于沃尔什特征和增强型Cascade算法的人脸检测

在训练基于AdaBoost和Cascade算法的人脸检测器时,由于使用了大量的Haar-Like特征,所以训练过程消耗了大量的时间和存储空间,为此该文提出用较少的沃尔什特征来代替大量的Haar-Like特征,可以较大幅度地降低特征之间的冗余,节约训练时间和存储空间.针对Nesting Cascade完全继承前层分类器的不足之处,提出一种具有自主和继承双重特性的增强型Cascade算法.MIT-CBCL库上的实验表明:沃尔什特征可以加快训练速度,而增强型Cascade算法有助于提高测试精度.最后,使用训练好的人脸检测器对MIT CMU前视人脸测试集进行了测试.结果证明该文方法比相应的对比方法更加有效.